
1. Aspectos Éticos e Governança em Projetos de IA
1.1. Princípios Éticos
1.1.1. Vieses Algorítmicos
1.1.2. Diversidade e Inclusão
1.1.3. Transparência
1.1.4. Explicabilidade
1.1.5. Justiça
1.1.6. Privacidade e Consentimento
1.1.7. Monitoramento e Auditoria
1.2. Governança de Dados
1.2.1. Políticas e Procedimentos
1.2.2. Normas e Regulamentos
1.2.3. Práticas de Auditoria e Conformidade
1.2.4. Gestão de Risco
1.3. Potencial de Grandes Impactos Sociais
1.3.1. Desigualdade
1.3.2. Privacidade
1.3.3. Emprego
1.3.4. Segurança
1.3.5. Ética
1.4. Direitos e Responsabilidades
1.4.1. Propriedade Intelectual
1.4.2. Direitos Autorais
1.4.3. Responsabilidade de Sistemas de IA
1.4.4. Alinhamento e Controle Ético
2. Casos de Inteligência Artificial
2.1. Projeto de IA
2.1.1. Modelos
2.1.2. Dados
2.1.3. Infraestrutura
2.2. Os Tipos de Aprendizagem de Máquina
2.2.1. Supervisionado
2.2.2. Não Supervisionado
2.2.3. Por Reforço
2.3. Aplicações em Setores
2.3.1. Varejo
2.3.1.1. Chatbots de Atendimento
2.3.2. Saúde
2.3.2.1. Predição de Diagnósticos
2.3.3. Setor Financeiro
2.3.3.1. Previsão de Comportamento de Mercado
2.3.3.2. Detecção de Fraudes
2.3.4. Manufatura e Logística
2.3.4.1. Manufatura Inteligente
2.3.4.2. Gerenciamento da Cadeia de Suprimentos
2.3.5. Entretenimento
2.3.5.1. Avatares Digitais
2.3.5.2. Geração de Conteúdo Audiovisual
2.3.5.3. Tradução Simultânea com Voz Original
2.3.5.4. Composição Musical Automatizada
2.3.5.5. Roteirização Assistida por IA
2.4. Aplicações por Tecnologia
2.4.1. Aprendizagem de Máquina
2.4.1.1. Fraude
2.4.1.2. Diagnóstico
2.4.1.3. Legendagem Automática
2.4.2. Visão Computacional
2.4.2.1. Veículo Autônomo
2.4.3. RPA
2.4.3.1. Automatização de Tarefas Repetitivas
2.4.4. IA Generativa
2.4.4.1. Novos Produtos e Serviços
2.5. Impactos
2.5.1. Força de Trabalho
2.5.2. Novas Profissões
2.5.3. Motor da Inovação
2.5.4. Decisões Baseadas em Dados
3. Fundamentos - O Valor da Inteligência Artificial e Data Science
3.1. A Revolução dos Dados
3.1.1. Mundo e Empresas Data Driven
3.1.2. Estatística
3.1.3. Mineração dos Dados
3.1.4. Aprendizagem de Máquina (IA)
3.2. A revolução da Inteligência
3.2.1. Os tipos de IA
3.2.1.1. Por Tecnologia
3.2.1.1.1. Representação Simbólica e Lógica Booleana
3.2.1.1.2. Sistemas Especialistas e Árvores de Decisão
3.2.1.1.3. Aprendizagem de Máquina
3.2.1.1.4. Redes Neurais Artificiais (Deep Learning)
3.2.1.1.5. Computação Espacial e Simulação
3.2.1.1.6. Robótica e AIoT
3.2.1.2. Por Aplicação
3.2.1.2.1. Automatização de Processos (RPA)
3.2.1.2.2. Planejamento em IA
3.2.1.2.3. Processamento de Linguagem Natural
3.2.1.2.4. Visão Computacional
3.2.1.2.5. Identificação de Padrões
3.2.1.2.6. Generativa
3.2.1.2.7. Gêmeos Digitais
3.2.2. Valor
3.2.2.1. Os Fluxos de Valor
3.2.2.1.1. A Produtividade: Fazer mais com Menos
3.2.2.1.2. A Velocidade: Menor Tempo p/ Mercado
3.2.2.1.3. A Qualidade: Maior acurácia
3.2.2.1.4. A Experiência: Maior Personalização
3.2.2.2. Impacto nos Resultados
3.2.2.2.1. ROI
3.2.2.2.2. Métricas de Valor
3.2.3. Governança
3.2.3.1. Riscos e Desafios
3.2.3.1.1. Vieses
3.2.3.1.2. Privacidade e Segurança
3.2.3.1.3. Confiabilidade
3.2.3.2. Mitigação
3.2.3.2.1. Transparência
3.2.3.2.2. Governança
3.2.3.2.3. Envolvimento das Partes Interessadas
3.2.4. Aplicação
3.2.4.1. Identificação de Oportunidades
3.2.4.2. Alinhamento com a Estratégia
3.2.4.3. Implementação e Escalabilidade
4. Casos de Data Science
4.1. Business Intelligence
4.1.1. Visualização de Dados
4.2. Aplicações
4.2.1. Varejo
4.2.1.1. Gerenciamento de Estoques
4.2.1.2. Análise de Comportamento do Consumidor
4.2.1.3. Segmentação de Clientes
4.2.2. Saúde
4.2.2.1. Tempo de Espera e Atendimento
4.2.2.2. Eficácia de Tratamentos
4.2.2.3. Gerenciamento de Recursos Hospitalares
4.2.3. Setor Financeiro
4.2.3.1. Detecção de Fraudes
4.2.3.2. Análise de Risco e Conformidade
4.2.3.3. Otimização de Portfólio de Investimento
4.2.4. Indústria Manufatureira
4.2.4.1. Gestão da Cadeia de Fornecimento
4.2.4.2. Combate a Não Qualidade
4.2.4.3. Otimização de Processos
4.2.5. Agronegócio
4.2.5.1. Otimização de Irrigação
4.2.5.2. Previsão de Safra
4.2.5.3. Gerenciamento de Riscos
4.3. Como avaliar aplicações de Ciências de Dados
4.3.1. Estratégia Corporativa
4.3.2. Perguntas Críticas
4.3.3. Custo e Benefício Potencial
4.3.4. Riscos Compatíveis
4.3.5. Make versus Buy
4.4. Cultura Baseada em Dados
4.4.1. Equipes Multidisciplinares
4.4.2. KPIs baseado em dados
4.4.3. Processo de Coleta, Armazenamento e Análise de Dados
4.5. Na Prática
4.5.1. Identifique os Objetivos do Negócio
4.5.2. Identifique as Perguntas Críticas
4.5.3. Avalie a Disponibilidade de Dados
4.5.4. Priorize Projetos de Data Science
4.5.5. Implemente e Monitore